IA
Prof. Fabio Miranda
1. BIBLIOGRAFIA BÁSICA
BITTENCOURT, G. Inteligência artificial: ferramentas e teorias. Florianópolis: UFSC, 2005.
LUGER, G. F. Inteligência artificial: estruturas e estratégias para a solução de problemas complexos. São Paulo: Artmed, 2002.
RUSSELL, S. J.; NORVIG, P. Inteligência artificial. 2 ed. Rio de Janeiro: Campus, 2004.
2. BIBLIOGRAFIA COMPLEMENTAR
BARONE, D. (Org.) Sociedades artificiais: a nova fronteira da inteligência nas máquinas. Porto Alegre: Bookman, 2003.
FERNANDES, A. M. da R. Inteligência artificial: noções gerais. Rio de Janeiro: Visual Books, 2003.
MELO, A. C. V. de. Lógica para computação. São Paulo: Pioneira, 2006.
NASCIMENTO JÚNIOR, C. L.; YONEYAMA, T. Inteligência artificial: em controle e automação. São Paulo: Edgard Blucher/FAPESP, 2004.
ROVER, A. J. Informática no direito: inteligência artificial. São Paulo: Jeruá, 2001. VERTCHENKO, L.; PEDROSO, H. K. Frankenstein e a inteligência artificial. São Paulo: Edipuc, 2005.
1. INTRODUÇÃO
Seja bem-vindo(a)!A disciplina Inteligência Artificial aboradará os conceitos fundamentais da inteligência artificial, que atualmente é considerada uma área de pesquisa e de desenvolvimento bem definida e identificada. Seus objetivos científicos são a identificação, a caracterização e a reconstituição de modelos e de comportamentos relacionados a manifestações inteligentes.
Dentre as subáreas da inteligência artificial, as que apresen- tam maior destaque são: Processamento de Linguagem Natural, que objetiva a reconstituição de fenômenos linguísticos; Robótica
Inteligente, que objetiva a construção de artefatos tecnológicos a
partir de modelos que têm como base o raciocínio para interagir com o mundo físico de forma produtiva; Raciocínio Automatizado, em que sistemas reconstituem o raciocínio dedutivo; Aprendizado
de Máquina, em que algoritmos e programas de computador
podem inferir resultados, tendo como base registros de observações do comportamento de um sistema complexo;
Computação Evolu-
tiva e Neural, que se destaca por utilizar uma metodologia inspira-
da em fenômenos biológicos; Visão Computacional, que objetiva a reconstituição de cenas a partir da captura digital de imagens; e
Agentes Inteligentes, que se utilizam se agentes de software inte-
ligentes, os quais simulam o comportamento humano em sistemas artificiais.
Do ponto de vista metodológico, essas subáreas se dividem em dois grandes grupos, que são o das teorias formais e o das teorias emergentes. As teorias formais constituem-se em teorias descritivas de comportamentos inteligentes. Já as teorias
emergentes se fundamentam no estudo empírico do
comportamento produzido a partir de computações recorrentes. Ao estudarmos esta disciplina, vamos considerar as tendên- cias atuais, que enfatizam duas subáreas da inteligência artificial: Raciocínio Automatizado e Agentes Inteligentes. Essa escolha foi realizada levando em consideração o que está sendo praticado atualmente nos grandes centros de ensino do Brasil e do exterior.
Com o estudo desta disciplina, você terá condições de
aprofundar seus estudos em qualquer subárea da inteligência artificial, e o estudo dos exercícios concretos lhe proporcionará experiências práticas no campo da inteligência artificial.
Considerando uma formação mais abrangente, o estudo completo de um tema deveria englobar, pelo menos, três aspectos fundamentais:
1) a preparação técnica segura e aprofundada no tema em estudo;
2) a indicação de como tal tema poderá ser apresentado posteriormente pelo futuro profissional que o esteja es- tudando;
3) a indicação de como o tema poderá ser aproveitado na constituição de ferramentas para a atuação do futuro profissional.
2. ORIENTAÇÕES PARA O ESTUDO DA DISCIPLINA
Abordagem Geral da Disciplina
Quando ouvimos falar em inteligência artificial, provavel- mente vem às nossas mentes aquelas cenas de filmes de ficção científica, cheias de robôs futuristas que nos substituem em algu- mas tarefas de nosso dia a dia ou de robôs que possuem sentimen- tos próprios e tentam conquistar o planeta destruindo os seres hu- manos. Reflita um pouco sobre até que ponto isso é realidade ou ficção. O que vem a ser, de fato, a inteligência artificial, e aonde podemos encontrá-la? É fundamental que você reflita a respeito desses aspectos, pois eles serão explorados no decorrer do estudo desta disciplina.
Apesar de encontrarmos no dicionário Aurélio (2004) a
definição de “inteligência” como “a faculdade ou a capacidade mental de aprender, raciocinar, adaptar-se, abstrair idéias e resolver
problemas”, não há um consenso sobre o que realmente vem a ser inteligência, pois encontramos pontos de vista diferentes entre
teólogos, filósofos e psicólogos. Dessa forma, torna-se uma tarefa difícil definir, de maneira precisa, o que vem a ser a inteligência artificial em um sentido amplo, mas podemos defini-la quando a consideramos uma disciplina.
Segundo Russell e Norvig (2004), as diversas definições para inteligência artificial encontradas na literatura científica podem ser agrupadas em quatro categorias:
1) sistemas que pensam como humanos; 2) sistemas que agem como humanos;
3) sistemas que pensam corretamente (de acordo com as leis da Lógica);
4) sistemas que agem corretamente (de acordo com as leis da Lógica).
As duas primeiras categorias têm como base a
experimentação e envolvem formulação de hipóteses e confirmação experimental enquanto as outras duas são teóricas e envolvem formalismos matemáticos.
Para tentar resolver esse problema da falta de definição para o que vem a ser inteligência artificial, em 1950, Alan Turing propôs um teste comportamental capaz de determinar se uma máquina demonstra ou não inteligência. O teste consiste em fazer um pro- grama desenvolver uma conversação via chat com um humano du- rante cinco minutos. No teste, o humano deve adivinhar se estava ou não conversando com outro humano. O programa de compu- tador, por sua vez, passaria no teste se enganasse o humano por 30% do tempo.
Esse teste não chegou a se tornar um requisito para avaliar a inteligência de um sistema, mas despertou a curiosidade de mui- tos quando alguns programas enganavam muitos seres humanos.
Observando hoje a inteligência artificial como uma área de pesquisa, podemos dizer que é um campo que se dedica à busca de métodos e algoritmos que reproduzem a capacidade humana de aprender, raciocinar e resolver problemas.
Assim como outras áreas da Computação, a inteligência artificial também foi impulsionada pela Segunda Guerra Mundial, tendo seus estudos iniciais registrados na década de 1940. Na inteligência artificial, os estudos preliminares tinham foco no desenvolvimento de tecnologias voltadas para a análise de balística, projeto de bombas atômicas e de cálculos para explorar a quebra de códigos e senhas.
Por volta de 1956, o cientista John McCarthy reuniu outros colegas que pesquisavam tecnologias emergentes na época em uma conferência que possibilitou iniciar os estudos de inteligência artificial. Esse termo foi empregado para designar um tipo de
inteligência desenvolvida por seres humanos para capacitar máquinas com comportamentos inteligentes.
A partir dessa nova área do conhecimento, que havia
acabado de ser definida, o fenômeno da inteligência artificial passou a ser intensamente estudado por pesquisadores de universidades por todo o mundo.
Podemos dizer que a inteligência artificial está dividida em quatro principais linhas de pesquisa:
1) IA Simbólica. 2) IA Conexionista. 3) IA Evolutiva.
4) IA Estatística/Probabilística.
A IA Simbólica tem como base a hipótese do sistema de sím- bolos físicos, segundo a qual um conjunto de estruturas simbólicas e um conjunto de regras de manipulação dessas estruturas são os meios necessários e suficientes para se criar inteligência. Essa li- nha de pesquisa trata de problemas bem definidos, e é nela que os sistemas que têm regras como base estão inseridos.
A IA Conexionista tem como base a hipótese da causa-efeito, segundo a qual um modelo suficientemente preciso do cérebro humano é o bastante para reproduzir a inteligência que um cérebro real possui. Essa linha de pesquisa trata de problemas sem definição precisa, mas conhecidos por meio de exemplos, e é nela que as redes neuronais estão inseridas.
A IA Evolutiva tem como base a Teoria Evolucionista de Da- rwin, isto é, a hipótese de que podemos modelar sistemas inteli- gentes simulando a evolução de uma população de indivíduos (so- luções aleatórias) que carregam genes com informação suficiente para a solução de um problema, usando operações genéticas de recombinação e mutação. Essa linha de pesquisa trata de proble- mas de otimização, e é nela que os algoritmos genéticos estão in- seridos.
A IA Estatística/Probabilística baseia-se na representação do conhecimento por meio de cálculos estatísticos e probabilísti- cos para compor regras para a tomada de decisões. Os exemplos de aplicação desses sistemas são as redes bayesianas e os sistemas difusos.
Há, também, uma quinta linha de pesquisa, denominada IA
Híbrida, na qual são combinadas ferramentas de outras linhas para se
obter a solução de um problema.
Atualmente, podemos verificar os resultados das pesquisas em inteligência artificial em diversas aplicações, como, por exemplo, em jogos; robótica; visão computacional; simuladores; mineração de dados; verificação de software; otimização; tomada de decisões; planejamento; escalonamento de tarefas; compreensão e tradução de linguagem natural; reconhecimento de faces, de voz, de cheiros e de sabores etc.
Imagine um exemplo de aplicação da visão computacional, em que técnicas de inteligência artificial são combinadas com técnicas de processamento de imagens para a criação de um software que
identifique certo objeto em algum ambiente. Suponha que esse objeto seja uma esfera.
A princípio, pode não parecer algo muito útil identificar uma esfera, mas o mesmo conceito aplicado nesse exemplo da esfera permitirá o desenvolvimento de softwares que nos auxiliem a es- timar a quantidade de carros que passam em determinada rua em determinado período do dia. Essa informação é de suma impor- tância para a companhia de engenharia de tráfego de determinada cidade. Vejamos, a seguir, dois exemplos desse tipo de aplicação.
Atualmente, há carros que utilizam essas mesmas técnicas de visão computacional para detectar as faixas de uma estrada e para manter o carro na trajetória correta e que diminuem de velo- cidade ao perceberem que estão próximos do carro da frente.
Talvez você tenha visto ou, até mesmo, já possua uma câ- mera digital que detecta o sorriso de uma ou mais pessoas, dis- parando sozinha ao detectá-lo. O software que está embutido na câmera e que é responsável por detectar o sorriso funciona de for- ma semelhante ao software que detecta a esfera. Esse é mais um exemplo de aplicação de técnicas de inteligência artificial.
O Reconhecimento de Padrões também é uma área em que se utilizam técnicas de inteligência artificial com muita frequência. Hoje temos muitos dispositivos que recebem comando por voz, desde o direcionamento de ramais dos sistemas de atendimento ao cliente até os GPSs. Esses sistemas identificam os padrões das ondas sonoras e reconhecem cada palavra dita. Talvez você já tenha visto em vários filmes algumas cenas em que o personagem coloca a mão ou apenas a ponta do dedo sobre um aparelho embutido na parede, e, depois de ter feito isso, uma porta se abre. Isso é chamado “biometria”.
A biometria utiliza características únicas do ser humano (como, por exemplo, a impressão digital e a íris) e usa essas ca- racterísticas para identificar pessoas. Aquele aparelho que fica embutido na parede nada mais é do que um scanner que extrai características singulares de cada indivíduo. A extração dessas ca- racterísticas não é realizada de forma precisa, pois nem sempre o indivíduo vai posicionar o dedo, a mão ou os olhos no scanner da mesma forma; portanto, a posição pode variar. Técnicas de in- teligência artificial são aplicadas nas características extraídas pelo
scanner a fim de sempre identificar a pessoa correta, independen-
temente da forma como essas características foram extraídas.
Hoje em dia, é muito comum empresas adotarem esse tipo de sistema de segurança. Você mesmo pode utilizar-se da biometria em seu computador pessoal. Leitores (ou scanners) biométricos podem ser adquiridos por um preço bem acessível, e é possível ligá-los na porta USB do seu computador e utilizar a sua impressão digital para “logar” em seu sistema operacional.
Agora que você já tem uma ideia do que é a inteligência artificial e de algumas aplicações em que podemos encontrá-la, mostraremos o que será estudado nesta disciplina.
Para desenvolver softwares como os dos exemplos citados, você precisará conhecer alguns métodos e algoritmos que são abordados na área da inteligência artificial.
© Faminas 23 O primeiro método que você estudará é o de resolução de problemas, que tem como base as buscas. Dentre os problemas encontrados em inteligência artificial, os mais simples de modelar são aqueles cuja resolução se baseia em um processo de navega- ção. Nesse tipo de problema, tem-se como conhecer as possíveis soluções; a questão aqui é como se chegar até elas.
Por exemplo, depois de construir a árvore de possibilidades para um jogo da velha, como o programa vai saber qual é a melhor jogada para a situação corrente do jogo? No caso do percurso em um mapa, como o programa decidirá qual é o melhor caminho? Essas perguntas exigem a exploração de estruturas, a fim de se buscar uma solução. Para tanto, o programa precisará fazer uma busca nessa árvore de soluções. Geralmente, quando falamos de métodos de busca em árvores, muito se discute sobre a Busca em Profundidade e a Busca em Largura. Vejamos um exemplo simples de como funciona cada um desses métodos.
Na Busca em Profundidade, o algoritmo primeiro avaliará um dos nós, e, caso esse nó não seja a solução, o programa avalia- rá seus filhos de um em um, até encontrar um nó que não possui filhos ou cujos filhos já tenham sido todos avaliados, sendo condu- zido, então, de volta ao nó pai. Observe o exemplo da Figura 1.
24 © Faminas
Figura 1 Busca em Profundidade.
Na Busca em Profundidade, o programa inicia a busca
avaliando o primeiro nó. Se este não for o nó da solução, o programa avaliará o nó filho mais à esquerda, que, em nosso caso, é o que contém o valor 5. Se este não for o nó que contém a solução, o programa avaliará o nó filho de 5 que está mais à esquerda, que, em nosso caso, contém o valor 7. Se este não for o nó da solução, como não há mais nenhum filho para analisar, o programa avaliará o próximo filho de 5, que, em nosso caso, é o nó que contém o valor 3. O programa procederá dessa forma até encontrar uma solução e finalizar o algoritmo.
Na Busca em Largura, o algoritmo avalia todos os nós de um determinado nível. Depois de concluir a avaliação de um nível,
prossegue para o próximo nível, avaliando todos os seus nós, até chegar ao último nível.
Observe o exemplo da árvore apresentado na Figura 2. Nes- se caso da Busca em Largura, o programa primeiro avaliará o nó raiz, que, em nosso caso, contém o valor 1. Note que essas linhas horizontais acrescentadas na figura dividem a árvore em níveis, e Faminas - Prof. Fabio
© Faminas 25 o nó raiz é o único nó do seu nível. Se este não é o nó da solução, o programa avaliará o primeiro nó do nível inferior, que, em nosso caso, é o nó que contém o valor 5. Se este não for o nó da solução, o
programa passará para o próximo nó do mesmo nível, que, em nosso caso, é o nó que contém o valor 4. Se este também não for o nó da solução, o programa passará ao nível inferior e avaliará o primeiro nó. Sempre da esquerda para a direita, ele vai percorrer a árvore até encontrar a solução.
Figura 2 Busca em Largura.
Os principais problemas que enfrentamos ao trabalhar com esses métodos de busca são o tempo de processamento e o espa- ço em memória que eles podem gastar para encontrar a solução.
De acordo com a organização da estrutura de dados, é possí- vel termos um caminho de tamanho infinito percorrido por Busca em Profundidade quando a árvore possuir profundidade infinita.
26 © Faminas
Em contrapartida, a Busca em Largura encontrará a solução (caso ela exista) em um número finito de passos.
Na Busca em Profundidade, podemos armazenar todos os nós já visitados a partir do nó raiz; dessa forma, armazenamos o máximo do tamanho da árvore. Já na Busca em Largura, há a ne- cessidade de armazenarmos todos os nós a serem avaliados.
Ao analisar esses problemas, você aprenderá como guiar o mé- todo de busca com informações parciais, que ajudam a eliminar ca- minhos desnecessários que conduzem até a solução. Essas informa- ções são denominadas funções heurísticas, e, consequentemente, esse tipo de busca é chamada Busca Heurística. Isso pode diminuir bastante o tempo necessário para encontrar a solução do problema em questão. Por fim, você compreenderá os fundamentos relacio- nados à busca e à tomada de decisões por meio de exemplos.
Proposição e a linguagem de programação PROLOG
Nesta disciplina, estudaremos outro assunto importante, que está relacionado com a representação do conhecimento. Nes- se ponto, você aprenderá como é possível representar o conhe- cimento por meio das lógicas formais e compreenderá que essas lógicas são mais expressivas e permitem caracterizar problemas mais complexos e mais elaborados que as técnicas anteriores. A primeira lógica que estudaremos é a Lógica Proposicional.
Um dos conceitos mais básicos que aprendemos quando trabalhamos com a Lógica Proposicional é o de proposição. Uma proposição é uma declaração afirmativa que pode ser associada a um valor verdadeiro ou falso, mas nunca aos dois valores ao mesmo tempo. Por exemplo, "Brasília é a capital do Brasil" é uma proposição verdadeira enquanto "O Rio de Janeiro fica na região Nordeste do Brasil" é uma proposição falsa.
A Lógica Proposicional permite-nos definir estruturas com formalismo matemático, evitando ambiguidades existentes na lin- guagem natural. Esse formalismo é composto por uma linguagem Faminas - Prof. Fabio
© Faminas 27 formal e um conjunto de regras deinferência, que nos permitem analisar um argumento de forma precisa e verificar sua validade.
De maneira geral, um argumento pode ser compreendido como uma sequência de premissas acompanhada por uma conclusão. Dizemos que um argumento é válido quando sua conclusão é uma consequência necessária de suas premissas. Vejamos o exemplo de um argumento:
Sempre que um aluno estuda com afinco, é bem avaliado na prova.
O aluno João estuda com afinco.
Logo, o aluno João será bem avaliado na prova.
Esse argumento é válido, uma vez que a sua conclusão é uma consequência necessária de suas premissas.
O estudo da Lógica Proposicional pretende preparar você para compreender a Lógica de Primeira Ordem, que é uma extensão da Lógica Proposicional. Essa extensão torna a linguagem lógica mais expressiva, possibilitando que problemas mais complexos sejam resolvidos formalmente.
A Lógica Proposicional não é utilizada na representação das relações existentes entre objetos. Considere o exemplo “João é filho de Pedro, que é filho de Paulo”. Para a representação desse exem- plo, teríamos duas proposições: "João é filho de Pedro” e “Pedro é filho de Paulo”. No entanto, observe que essas duas expressões não expressam a relação de parentesco existente entre Paulo e João.
A Lógica de Primeira Ordem permite-nos fazer relações entre objetos de um mesmo universo de discurso e permite, também, concluir particularizações de uma propriedade geral dos objetos de um universo de discurso. Para chegar a esse nível de formalismo, a linguagem de primeira ordem utiliza diversos símbolos
matemáticos. Aprenderemos sobre a utilização desses símbolos durante o estudo desta disciplina.
28 © Faminas
Em inteligência artificial, o interesse primordial é a construção de modelos computacionais para sistemas inteligentes. Dessa forma, o nosso interesse é construir programas de computador que apresentem comportamento inteligente. Esse interesse é o elemento fundamental que diferencia a inteligência artificial, por exemplo, da Psicologia, e para satisfazê-lo, é essencial a existência de ferramentas de programação adequadas.
Após o estudo da Lógica Proposicional e da Lógica de Primeira Ordem, você verá a linguagem de programação PROLOG.
PROLOG é uma linguagem de programação lógica que foi inicialmente utilizada para provar teoremas, e o seu estilo de programação é bem semelhante à Lógica de Primeira Ordem. Para que a PROLOG pudesse ser utilizada como uma linguagem de programação convencional, foi necessário complementá-la com comandos denominados “extralógicos”, que, embora não tenham relação direta com o cálculo lógico usado, permitem efetuar operações convencionais, como, por exemplo, imprimir resultados
intermediários durante um processo computacional.
Dizemos que a PROLOG é uma linguagem declarativa dire- cionada ao conhecimento, e não tanto aos algoritmos. Isso signi- fica que ela fornece uma descrição do problema, utilizando fatos e regras que indicam como este será resolvido, e não da forma tradicional, como ocorre em linguagens procedurais ou linguagens orientadas a objetos, em que a solução é dada passo a passo.
Fatos podem ser considerados proposições verdadeiras sem
nenhum tipo de condição. Observe os exemplos: 1) homem (pedro).
2) mulher (ivani). 3) pai (joao, paulo). 4) mae (maria, beatriz).
Já as regras podem ser consideradas o conjunto de proposições que devem ser satisfeitas para que a declaração seja considerada verdadeira.
© Faminas 29 Uma forma geral de declarar uma regra em PROLOG é a seguinte:
• consequencia :- expressão_antecedente
Iniciamos avaliando a expressão_antecedente (clausula se). Se ela for verdadeira, então a consequência (clausula então) também será verdadeira.
Exemplo:
antepassado (pedro, josé) :- pai (pedro, josé).
Interpretando: Se pedro é pai de josé, então pedro é antepassado de josé.
A PROLOG também se difere das demais linguagens por não possuir estruturas de controle, tais como if-then-else; do-while;
for; switch; entre outras. Para esse tipo de situação de declaração,
em que o programa deve atingir seu objetivo, utilizamos métodos lógicos que são baseados em Lógica de Primeira Ordem.
Um programa em PROLOG pode rodar em um modo interativo, possibilitando que o usuário possa formular queries utilizando os fatos e as regras anteriormente inseridos para produzir a solução por meio do mecanismo de unificação.
Observe a Figura 3, que mostra o exemplo de um programa desenvolvido em PROLOG.
30 © Faminas
Figura 3 Programa desenvolvido em PROLOG.
A janela que está à direita é onde inserimos os fatos e as re- gras do programa. Temos aqui sete fatos, e esses fatos nos dizem quem é a mãe de quem e quem é o pai de quem. A partir desses fa- tos, podemos criar algumas regras. As duas primeiras regras ensi- nam ao programa o conceito de “progenitor”, ou seja, o indivíduo "A" é progenitor do indivíduo "B" se "A" é mãe ou pai de "B".
A terceira regra ensina ao programa o conceito de “avô” (ou “avó”). O indivíduo "X" é avô do indivíduo "Y" se "X" é progenitor de "Z" e "Z" é progenitor de "Y".
A janela do lado esquerdo é um prompt de comando, em que inserimos consultas ao programa. Nesse exemplo, o programa deverá listar todas as pessoas que se encontram na condição de avô ou avó, a partir da instrução avo(X,Y). Observe que a resposta Faminas - Prof. Fabio
© Faminas 31 aponta que Paulo é avô de Pedro. Se consultarmos os fatos apre- sentados ao programa, constataremos que Paulo é pai de Luis e que Luis é pai de Pedro; portanto, Paulo realmente é avô de Pe- dro.
Com o uso da Lógica de Primeira Ordem e da PROLOG, é pos- sível modelarmos diversas soluções para problemas variados. Na indústria, por exemplo, robôs poderão ser programados para insta- lar e desinstalar novas unidades à medida que o fluxo de produção impor maior ou menor demanda de trabalho. Podemos progra- mar robôs que podem acessar ambientes onde humanos teriam dificuldades para sobreviverem e executarem trabalhos, como no fundo do mar ou no núcleo de reatores atômicos.
Na PROLOG, podemos perceber que há uma tensão perma- nente entre o poder expressivo de um cálculo lógico e a eficiência computacional dos programas construídos utilizando esse cálculo lógico para resolver problemas práticos. De maneira geral, quan- to mais detalhes precisamos para caracterizar um problema a ser resolvido, mais expressiva será a lógica utilizada para represen- tar esse problema com suas soluções. Dessa forma, quanto mais expressiva uma lógica, mais recursos computacionais (como, por exemplo, tempo de processamento e memória de computador) são requeridos para efetuar as inferências lógicas solicitadas para resolver problemas.
Frequentemente, somos capazes de representar os detalhes suficientes para muitos problemas práticos com cálculos lógicos de forma mais simples do que a Lógica Proposicional. Em algumas situações específicas, entretanto, precisamos de lógicas mais
sofisticadas, como, por exemplo, a Lógica de Primeira Ordem ou outras ainda mais expressivas.
Seria bom se fosse possível representar um problema e as suas soluções de forma bem detalhada e, ao mesmo tempo, ma- nipular computacionalmente essa representação de maneira efi-
32 © Faminas
ciente. Contudo, isso não é possível, pois a "arte" da representação do conhecimento consiste em encontrar um ponto de equilíbrio para cada problema, no qual sejam construídas representações su- ficientemente detalhadas, que orientem, de forma satisfatória, o usuário de um sistema provido de inteligência artificial, para que este possa resolvê-lo. Assim, é necessário, também, que as repre- sentações sejam suficientemente eficientes para fornecer respos- tas utilizando uma quantidade razoável de recursos computacio- nais, ou seja, utilizando uma quantidade razoável de memória e de tempo de processamento que viabilize o seu uso.
A estratégia mais comumente adotada para construir uma representação adequada de conhecimento é feita com base em representações simples, que são caracterizadas utilizando cálculos lógicos relativamente simples e eficientes do ponto de vista com- putacional, os quais ficam sofisticados apenas quando o problema e as suas soluções exigem, preservando, assim, na medida do pos- sível, a simplicidade dos mecanismos de dedução.
Utilizando essa estratégia, podemos caracterizar hierarquias de sistemas para representação de conhecimento. Em suas bases, colocamos sistemas de representação mais simples, que não nos possibilitam diferenciar, de modo refinado, muitos eventos e entidades do problema a ser resolvido, mas que admitem uma manipulação computacional eficiente. No topo, colocamos sistemas de representação mais sofisticados, que correspondem a cálculos lógicos mais expressivos, permitindo representar, de forma detalhada, os diferentes eventos e entidades do problema, mas que exigem grande poder computacional para ser manipulados por meio de mecanismos de inferência.
Essas estratégias serão apresentadas para você juntamente com algumas questões relevantes que estão relacionadas à repre- sentação do conhecimento, como, por exemplo, quando temos informações não confiáveis, incompletas, ambíguas ou inconsis- tentes. Saber lidar com esse tipo de informação é de suma impor- tância para quem trabalha com a inteligência artificial.
© Faminas 33 Esta apresentação constitui uma breve introdução ao que você estudará na Faminas Lembre-se de que também há muitas referências que podem ser encontradas em livros e na internet.
Boa sorte para você e bons estudos!
Glossário de Conceitos
O Glossário de Conceitos permite a você uma consulta rápida e precisa das definições conceituais, possibilitando-lhe um bom domínio dos termos técnico-científicos utilizados na área de conhecimento dos temas tratados na disciplina Faminas . Veja, a seguir, a definição dos principais conceitos desta disciplina:
1) Agente de software: de acordo com Russell e Norvig (2004, p. 33), “*...+ é qualquer coisa que percebe seu am- biente por meio de sensores e atua sobre este ambiente por meio de atuadores”. Em outras palavras, podemos dizer que é uma entidade que age (atua) sobre um am- biente sendo observado a partir dos dados coletados por seus sensores, a fim de atingir os objetivos definidos. 2) Agente inteligente: é um agente de software dotado de
inteligência que pode encontrar a melhor solução para resolver um problema a partir da coleta e análise dos dados obtidos do ambiente sendo observado.
3) Axioma: é a premissa ou proposição considerada univer- salmente verdadeira, porém sem a necessidade de de- monstração, que possibilita a dedução de proposições de uma teoria ou de um sistema lógico ou matemático. 4) Heurística: é a metodologia definida a partir de um con-
junto de regras e métodos que possibilitam a resolução de problemas, apresentando soluções satisfatórias mes- mo sem um formalismo matemático rigoroso.
5) Inferência: é a passagem da indução de uma proposição para outras proposições (premissas) que levam à con- clusão.
6) Inteligência: é a capacidade de aprender. Se desconsi- derarmos outros seres ou organismos, podemos dizer que o comportamento humano é fator determinante da inteligência.
7) Inteligência Artificial: área de pesquisa científica e tecno- lógica que estuda métodos computacionais para simular atividades humanas inteligentes, tais como a resolução de problemas, o pensamento e a tomada de decisões. 8) Lógica: ciência que estuda a inferência por meio da apli-
cação das leis do pensamento em busca da demonstra- ção da verdade. A palavra "lógica" vem do latim e signi- fica “razão”.
9) Mereologia: segundo o dicionário Aurélio (2004), é a ló- gica da relação entre as partes e o todo.
10) Plausibilidade: é aquilo que pode ser aceito, admitido, ou seja, é plausível.
11) Proposição: termo utilizado para descrever o conteúdo de uma afirmação que tem um valor lógico associado a ela, podendo assumir o valor de verdadeira ou falsa. 12) Simetria: é uma propriedade lógica que garante que a re-
lação de correspondência entre duas variáveis, ou seja, a relação afirmada entre x e y, também pode ser afirmada entre y e x sem a necessidade de transformações.
13) Tesauro: é uma organização estruturada de conceitos que possuem uma relação hierárquica entre si; permite a documentação e representação do conhecimento.
